Aprendizaje automático en el trading: teoría, práctica, operaciones y más - página 1014
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
No me cansaré de citar fragmentos de Kolmogorov:
En otras palabras, se consideran:
1. Devuelve
2. el ACF para las devoluciones
Si el ACF cumple la siguiente condición:
entonces esa serie discreta de retornados es predecible.
Eso es todo.
No hay otros predictores.
¿De dónde proceden los ACF de los incrementos de precio? Obviamente no son estacionarios y la función de covarianza dependerá de dos variables: B=B(t,k) y simplemente no tienes suficientes datos para calcularla.
¿De dónde sale el ACF de los incrementos de precio? Obviamente no son estacionarios y la función de covarianza dependerá de dos variables: B=B(t,k) y simplemente no tienes suficientes datos para calcularla.
El ACF que se muestra en la imagen es el algoritmo tomado de ARIMA. Se calcula por las últimas n barras.
El algoritmo ACF de la imagen está tomado de ARIMA. Se cuenta por las últimas n barras.
En primer lugar, mi comentario se refería a la inadecuada vinculación del artículo de Kolmogorov sobre los procesos estacionarios a un caso obviamente no estacionario.
Sin embargo, ARIMA también reduce todo a la estacionariedad, lo que sólo puede ser aproximadamente cierto para los precios y sólo en ciertos intervalos de tiempo (por ejemplo, un coeficiente autorregresivo durante una tendencia, otro durante un piso posterior). No podemos predecir cuándo cambiar el modelo y esto es una consecuencia de la no estacionariedad.
En primer lugar, mi comentario se refería a la inadecuada vinculación del artículo de Kolmogorov sobre los procesos estacionarios con el caso claramente no estacionario.
Aunque, ARIMA también reduce todo a la estacionariedad, lo que puede ser cierto para los precios sólo aproximadamente y sólo en ciertos intervalos de tiempo (por ejemplo, un coeficiente autorregresivo durante una tendencia, pero otro durante un piso posterior). No podemos predecir cuándo es necesario cambiar el modelo, y esto es una consecuencia de la no estacionalidad.
+
¿Qué se entiende por periodicidad?
Y por lo que sé, ACF no es sólo la suma de los productos. Hay un algoritmo mucho más complicado.
Me mantengo en mi opinión: la estimación de la ACF para una serie discreta de retornos es la suma de los productos de 2 retornos de muestras deslizantes consecutivos.
Sobre la periodicidad...
Creo que la forma más sencilla es esta:
Se debe operar (predecir el siguiente retournee) cuando el valor actual del ACF>0, es decir, cuando hay una dependencia evidente de los incrementos, la llamada "memoria".
Mantengo mi opinión: la estimación ACF para una serie discreta de retornos es la suma de los productos de 2 retornos consecutivos de muestra móvil.
Sobre la periodicidad...
Creo que la forma más sencilla es esta:
Comerciar (predecir el siguiente retournee) cuando el ACF>0, es decir, cuando hay una dependencia evidente de los incrementos, la llamada "memoria".
Mira el indicador, ¿es así o hay que cambiar algo?
Mira el indicador, ¿es así o hay que rehacer algo? El valor absoluto de los incrementos es probablemente mejor dejarlo (menos multiplicado por menos más), entonces el mínimo sólo será 0.
Lo siento, no puedo. Ocupado en buscar el Grial en los procesos de difusión. Soy yo: ayudo aquí todo lo que puedo, porque creo en las redes neuronales y en los bosques.
Lo siento, no puedo. Ocupado en buscar el Grial en los procesos de difusión. Sólo estoy ayudando aquí todo lo que puedo porque creo en las redes neuronales y en los bosques.
¿Entonces quito el indicador?
¿Entonces quito el indicador?
Sí. No necesitamos un indicador. Necesitamos predictores de Kolmogorov. No hay otra forma y puede seguir durante 1000 páginas más de hilaridad.
Mantengo mi opinión: la estimación ACF para una serie discreta de retornos es la suma de los productos de 2 retornos consecutivos de muestra móvil.
Sobre la periodicidad...
Creo que la forma más sencilla es esta:
Se debe operar (predecir el siguiente retournee) cuando el ACF>0, es decir, cuando hay una dependencia evidente de los incrementos, la llamada "memoria".
1) No hay ACF para los procesos inestables. Lea al menos a Orlov de su colección de libros sugeridos sobre los momentos de los procesos no estacionarios.
2) La "memoria" de los procesos no estacionarios tampoco es buena. Se puede encontrar cuando no existe (un proceso no estacionario con incrementos independientes), si hacemos los cálculos como para un proceso estacionario. Puede tenerlo pero puede ser diferente en cualquier momento y no está claro qué es exactamente lo que el proceso "recuerda" en ese momento.